CN106233332B - 瘠瘦组织体积量化方法 - Google Patents

瘠瘦组织体积量化方法 Download PDF

Info

Publication number
CN106233332B
CN106233332B CN201580021755.2A CN201580021755A CN106233332B CN 106233332 B CN106233332 B CN 106233332B CN 201580021755 A CN201580021755 A CN 201580021755A CN 106233332 B CN106233332 B CN 106233332B
Authority
CN
China
Prior art keywords
tissue
volume
image
fat
atlases
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201580021755.2A
Other languages
English (en)
Other versions
CN106233332A (zh
Inventor
奥洛夫·达尔奎斯特赖因哈德
马格纳斯·博尔加
托比亚斯·罗穆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Amura Therapeutics Ltd
Original Assignee
Advanced MR Analytics AB
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Advanced MR Analytics AB filed Critical Advanced MR Analytics AB
Publication of CN106233332A publication Critical patent/CN106233332A/zh
Application granted granted Critical
Publication of CN106233332B publication Critical patent/CN106233332B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1075—Measuring physical dimensions, e.g. size of the entire body or parts thereof for measuring dimensions by non-invasive methods, e.g. for determining thickness of tissue layer
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4869—Determining body composition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20128—Atlas-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • Dentistry (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Medicines Containing Plant Substances (AREA)
  • Pharmaceuticals Containing Other Organic And Inorganic Compounds (AREA)

Abstract

本发明涉及量化瘠瘦组织体积的方法，其包括下列步骤：获取(10)作为水‑脂肪分离的磁共振图像的所获取的图像，其中所获取的图像包括水图像和脂肪图像；提供(20)经校准的脂肪图像(F)；提供(30)界定在所获取图像中的软组织的区域的软组织掩模(STM)；以及定义(40)所获取的图像的感兴趣区(ROI)。该方法还包括下列步骤：通过对感兴趣区中的每个体积元素使软组织掩模与每个体积元素的体积(VVOX)和一减去经校准的脂肪图像的结果相乘并使在感兴趣区中的所有体积元素的所述相乘的乘积相加来计算(50)瘠瘦组织体积(LTV)。

Description

瘠瘦组织体积量化方法
技术领域
本公开涉及用于量化瘠瘦组织体积的方法，且特别是用于使用来自磁共振成像(MRI)的脂肪-水分离的图像来量化瘠瘦肌肉组织体积的方法。
背景
骨骼肌肉系统的功能是提供稳定性并实现人体的运动。因此肌肉体积的准确和精确的测量对不同疾病、综合症状和紊乱例如肌营养不良、运动损伤、炎性肌病、脊髓损伤或肌肉减少症(由于衰老而引起的肌肉损失) 的进一步理解是关键的。当诊断肌肉减少症时，需要与肌肉体积测量相结合的肌肉强度测试。与衰老和肌肉减少症的进展相关，肌肉的组成成分也改变，且增加的脂肪浸润出现。然而，在肌肉内部的较高脂肪含量的影响还没有被完全理解。为了提高对肌肉减少症的患病率、发病和进展的理解，需要新方法，包括用于测量肌肉体积的准确技术。其中肌肉体积和肌肉组成成分的详细和准确的知识是重要的另一例子是关于挥鞭样损伤相关性疾患(whiplash-associated disorders,WAD)。与健康对照组比较，发现患 WAD的人的颈部肌肉中具有较高的脂肪浸润。最近还发现了与纤维肌痛综合症相关的四头肌肌肉中的较高脂肪含量。
存在用于测量人类肌肉质量或体积的很多方法。非成像方法常常是高度可变的，因为它们通常在年轻的健康成年人上被校准。用于确定肌肉质量及其分布的当前的标准成像方法是双能量x射线吸收测量法(DXA)，其是快速和随时可用的。然而，DXA使用离子化辐射且只实现对身体的二维投影的分析。因此，使用DXA不能得到详细肌肉组分离或在肌肉组织内的脂肪含量的量化。
可使用层析成象方法、即CT和MRI来进行更准确的分析。基于Dixon 成像技术的水-脂肪分离的MRI实现高软组织对比，提供对肌肉体积和脂肪浸润的详细测量。MR成像的缺点是它的可用性和成本。使用当前的技术，以对身体组成分析足够的分辨率扫描整个身体可在少于10分钟内实现。然而，手动地分割在整个身体内的肌肉组织的工作量太大导致在除了非常小的研究以外的任何情况中不是可行的。即使使用优化的半自动方法，整个身体肌肉系统的单个分割仍然可能花费几个工作日来完成。因此需要肌肉组织的鲁棒自动分割的发展，以便使MRE成为用于在较大研究中研究肌肉组织体积的有吸引力的可选方案。
解剖知识可通过图谱，即具有相应的手动地定义的解剖标签的真实或合成的图像来合并到分割方法内。这个解剖知识，即所分割的图谱可接着通过图谱到目标的图像上的非刚性配准而被转移到新受验对象(目标)。然而，由于受验对象之间的大解剖变化和技术困难例如在扫描期间臂和腿的放置，单个配准可能不能在每个地方正确地收敛。因此，大部分基于图谱的技术处理身体的有限部分，例如脑，其在它的解剖结构的形状和位置上显示相对有限的变化。
非刚性配准方法最大化在两个不同图像之间的相似性。结果将根据相似性度量而改变。两个共同的度量是图像强度和局部相位信息。基于强度的方法的一个例子是Demons算法。实现基于相位的相似性度量的另一例子是单体方法。基于相位的方法对在MR图像中常见的由于B0和RF不均匀性引起的逐步强度变化不敏感。单体的额外特征是它使原型在不同的规模上以不同的规则化程度改变的能力——整个身体配准的重要特征。
目前不存在能够提供对人类骨骼肌肉系统的综合和准确的描述的方法，其量化肌肉组织体积的块并将肌肉组织分成不同的肌肉组。解决方案将是用于研究在包括肌肉减少症和肌营养不良的各种状况中的现象例如肌肉萎缩的发展、肌肉内脂肪浸润和疾病进展之间的相互作用的重要工具。
概述
本发明的目的是提供使用当前的设备来减轻所提到的缺点的改进的解决方案。此外，目的是提供用于基于磁共振图像来量化瘠瘦组织体积的方法。
根据本发明的方面，这由量化瘠瘦组织体积的方法提供，该方法包括下列步骤：获取作为水-脂肪分离的磁共振图像的图像，其中所获取的图像包括水图像和脂肪图像；提供经校准的脂肪图像；提供界定在目标图像中的软组织的区域的软组织掩模；以及定义所获取的图像的感兴趣区。该方法还包括下列步骤：通过对感兴趣区中的每个体积元素使软组织掩模与每个体积元素的体积和一减去经校准的脂肪图像的结果相乘并使在感兴趣区中的所有体积元素的所述相乘的乘积相加来计算瘠瘦组织体积。
瘠瘦组织体积的量化可具有分数次确定在感兴趣区中的无脂肪组织的体积和/或重量的目的。本发明可通过从存在于感兴趣区中的体积元素(体素)的水的水平减去脂肪信号水平来提供在量化中的增加的准确度。感兴趣区可以是特定的器官，例如肌肉、肌肉组或乳房。此外，在器官体积中的扩散脂肪浸润可因而从量化移除。此外，只有在体素中的实际脂肪浸润水平可从量化移除，且为例如肌肉组织定义的相应的水的水平可不被移除。
所获取的图像可以是二维或三维磁共振图像。所谓瘠瘦组织体积在本文可意指无脂肪组织体积。为水-脂肪分离的磁共振图像的所获取的图像可包括为图像对的水图像和脂肪图像。
可以用多种已知的方式提供经校准的脂肪图像。例如，基于如在 Reeder、S.B.、Hu、H.H.和Sirlin，C.B.(2012)的“Proton density fat-raction: A standardized mr-based biomarker of tissue fat concentration” (J.Magn.Reson.Imaging(磁共振成像杂志),36:1011-1014，doi: 10.1002/jmri.23741)中所公开的质子密度脂肪分数(protondensity fat fraction，PDFF)的方法或基于如在欧洲申请EP09732976.7所述的方法。
软组织掩模可被定义为界定在所获取的图像中的软组织的区域的掩模。可以用多种已知的方式，例如根据如在Nobuyuki Otsu(1979)的“A threshold selection methodfrom gray-level histograms”(IEEE Trans.Sys., Man.,Cyber(关于系统、人和控制论的IEEE会刊)，9(1):62-66，doi: 10.1109/TSMC.1979.4310076)和
Diana Wald、Birgit Teucher、Julien Dinkel、Rudolf Kaaks、Stefan Delorme、Hans-Peter Meinzer、Tobias Heimann的“Automated quantification of adipose andskeletal muscle tissue in whole-body MRI data for epidemiological studies”(Proc.SPIE 8315,Medical Imaging 2012: Computer-Aided Diagnosis(国际光学工程学会的会议记录8315，医学成像 2012：计算机辅助诊断),831519(2012年2月23日)，doi:10.1117/12.911290)中公开的Otsus方法来提供软组织掩模。
软组织掩模可规定在感兴趣区内的所获取的图像中的背景被移除，这是由于没有软组织存在。此外，软组织掩模可规定在感兴趣区内的所获取的图像中的骨头被移除，这是由于骨头不是磁共振可见的。
计算瘠瘦组织体积的步骤可被描述为：
Figure BDA0001138224500000041
其中LTV是所计算的瘠瘦组织体积，ROI是在感兴趣区中的体积元素，F是经校准的脂肪图像，STM是软组织掩模，以及VVOX是每个体素的体积。
此外，可降低用于对在感兴趣区的组织体积部分的边界处的体积元素分类的阈值。在边界处，在离开组织体积的方向上，水的水平(代表组织) 降低且脂肪水平增加。边界是扩散的，提供渐进的过渡。
可对感兴趣区的每个体积元素部分进行量化。通过对每个体积元素确定所有脂肪浸润——扩散和纯脂肪浸润——的有效瘠瘦组织体积，可提供精确的组织体积量化。
在如上所述的方法中的用于计算瘠瘦组织体积的步骤不一定需要以所提出的顺序执行。
在一个实施方式中，该方法还可包括提供经校准的水图像的步骤和通过对所获取的图像中的每个体积元素使软组织掩模与经校准的水图像相乘、确定在感兴趣区中的所有体积元素的所述相乘的乘积的和并使所述和除以所述计算的瘠瘦组织体积来计算瘠瘦组织水含量的步骤。另一计算可基于所计算的瘠瘦组织体积来提供在感兴趣区中的有效水含量水平作为在该区中的总的水与脂肪之比。有效水含量可包含作为在磁共振图像中的水信号可见的水，但不包含在磁共振图像中不可见的水或其它组织。瘠瘦组织水含量的计算可被描述为：
Figure BDA0001138224500000051
其中LTWC是所计算的瘠瘦组织水含量，ROI是在感兴趣区中的体积元素， W是经校准的水图像，STM是软组织掩模，VVOX是每个体素的体积，以及LTV是如上面提出的所计算的瘠瘦组织体积。经校准的水图像可以是使用以与用于脂肪图像的校准的偏置场(见EP09732976.7)类似的方式确定的偏置场来规范化的水图像。可选地，可以以高可能性包含无脂肪和富含水的组织例如被计算为水/(水+脂肪)>0.9或类似阈值并以明显高于水和脂肪信号中的噪声信号水平的水+脂肪的和，使用根据水图像中的体素确定的偏置场来规范化水图像。可根据使用多种已知的方法，例如Yu H、 McKenzie CA、Shimakawa A、Vu AT、Brau AC、Beatty PJ、Pineda AR、 Brittain JH、Reeder SB的“Multiecho reconstructionfor simultaneous water-fat decomposition and T2*estimation”(Journal ofmagnetic resonance imaging: JMRI 2007(磁共振成像杂志：JMRI 2007)，26(4):1153-1161)校准的水图像来确定经校准的图像。
在如上所述的方法中的用于计算瘠瘦组织水含量的步骤不一定需要以所提出的顺序执行。
在一个实施方式中，提供软组织掩模的步骤可包括移除不包含磁共振可见组织的体积元素的步骤。在所获取的图像中的不包含磁共振可见组织的体积元素可被移除以减少在所分割和分类的肌肉组周围的噪声。移除不包含磁共振可见组织的体积元素的步骤可包括下列步骤：提供经校准的水图像；将阈值应用于经校准的脂肪图像和经校准的水图像的和，其中高于所述阈值的体积元素形成二元组织掩模；以及通过将在来自二元组织掩模的边界的一个体积元素内的体积元素设置为等于规范化的水和脂肪图像的和来形成模糊软组织掩模。所述阈值可以是大约0.5。当移除背景体积元素时，可移除未分类的体积元素，其否则可干扰量化。因而可提供更恰当的软组织掩模，提供更恰当的瘠瘦组织量化。
在一个实施方式中，提供经校准的脂肪图像的步骤可包括一致的强度不均匀性校正的步骤。这样的步骤可在EP09732976.7、Dahlqvist Leinhard O、Johansson A、Rydell J等人的“Quantitative abdominal fat estimation using MRI”(In:Proceedings of the19th International Conference on Pattern Recognition(ICPR’08)(在第十九届国际模式识别会议(ICPR’08)的会议记录中)，2008，Tampa,Florida,USA，p1-4(In:Proceedingsof the 19th International Conference on Pattern Recognition(ICPR’08))或Romu T、Borga M、Dahlqvist O的“MANA-Multi scale adaptive normalized averaging”(In:Proceedings of the 2011IEEE International Symposium on Biomedical Imaging:From Nano to Macro(在2011IEEE国际生物医学成像研讨会：从毫微到宏的会议记录中)，2011.p 361-364(In:Proceedings of the 2011IEEE International Symposium onBiomedical Imaging:From Nano to Macro)中被公开。
此外，这样的步骤可包括下列步骤：重构包含水和脂肪图像的所获取的图像，其中重构是相位敏感的，使得它导致包括水加上脂肪图像的同相图像分量(IP)和包括水减去脂肪图像的非同相图像分量(OP)；根据测试标准识别在重构的图像中的体积元素中的哪些体积元素代表纯脂肪组织，因而产生纯脂肪图像；分割纯脂肪图像以产生没有非组织图像数据的所分割的图像；以及通过内插脂肪图像(F)使用在所分割的图像中指示的体积元素来产生强度校正场，所述脂肪图像基于同相图像分量(IP)和非同相图像分量(OP)来被计算。如果经校准的脂肪图像基于例如PDFF 被提供，则在所获取的图像中的脂肪和水之间的界面处可能有未定义的区段，这可能以部分体积效应消极地影响瘠瘦组织量化。通过使用上面的步骤来提供经校准的脂肪图像，可减少这样的缺点。此外，可通过使用上面的步骤来有效地避免由于纵向T1驰豫信号饱和而引起的对经校准的脂肪图像的影响，如在Peterson.P的“Quantification of Fat Content and Fatty Acid Composition Using MagneticResonance Imaging”(Lund University Doctoral Dissertation 2013(隆德大学博士论文2013),ISBN:978-91-87651-99-1)中所公开的。
在另一实施方式中，定义感兴趣区的步骤可包括将至少一个图谱非刚性配准到所获取的图像以分割所获取的图像的步骤。图谱在这里可被定义为具有关于肌肉组的分类的相应的解剖信息的水和脂肪图像对。图谱可用于将在所获取的图像中的身体或身体部分分割成器官组，例如肌肉组。可在自动化过程中进行非刚性配准，提供感兴趣区的自动定义。
在一个实施方式中，非刚性配准的步骤可包括所述图谱的多标度和基于相位的配准。通过使用多标度和基于相位的配准，可修改图谱，以便在形状上与所获取的图像相应。可配准图谱，使得特定肌肉组或一组肌肉组的形状相应于所获取的图像。可修改图谱以增加组织组的成功分类的概率。
在另一实施方式中，所述图谱可包括可转移到所获取的图像的解剖信息。可以标识特定的组织组的标签的形式提供解剖信息。标签可被提供给图谱中的组织组的选定体积元素。标签可被转移到所获取的图像以给所获取的图像中的选定体积元素提供标签。对组织组中的体积元素分类的步骤可包括将在所获取的图像中的组织体积中的选定体积元素的标签转移到在所述组织体积中的所有体积元素的步骤。因而可提供用于对组织体积例如肌肉组织体积或乳房组织分类、用于定义感兴趣区的自动过程。
在另一实施方式中，非刚性配准的步骤可包括将多个图谱单独地配准到所获取的图像的步骤。通过在所获取的图像上配准多个图谱，可提供所获取的图像的更鲁棒的分割。可同时使用具有不同的器官组成且因而表示多个解剖变化的图谱。因而可提高分割的结果。
在一个实施方式中，使用多个图谱的分割的结果可被添加到所获取的图像以形成图，其中所述图可被规范化以形成定义在所获取的图像中的体积元素代表组织的概率的概率图。在另一实施方式中，规范化可为在所获取的图像中的体积元素提供在0和1之间的值，其中值1表示所有多个图谱都将那个体积元素定义为组织，以及值0表示多个图谱中没有一个将该体积元素定义为组织。对于每个体积元素，可提供定义所述体积元素属于特定的组织组的概率的概率值。
在又一实施方式中，对体积元素分类的步骤可包括基于概率图来将在所获取的图像中的体积元素标记到组织组的步骤。基于概率图被确定为属于组织组的体积元素可因而被标记到那个组织组。体积元素的这样的分类于是可以成为组织组的瘠瘦组织体积的量化的基础。
在另一实施方式中，标记体积元素的所述步骤可包括应用将特定的体积元素分类到组织组以便将那个体积元素标记到所述组织组所需要的阈值数量的图谱的步骤。因此，如果高于阈值的多个基于图谱的分段将体积元素定义为属于组织组，则可给体积元素提供相应的标签。阈值在一个实施方式中可以是图谱的50％。
在一个实施方式中，可为第一组织组选择图谱数量的阈值，该阈值不同于为第二组织组选择的阈值。太高的阈值可导致对肌肉组织体积的过低估计，以及太低的阈值可导致对肌肉组织体积的过高估计。最佳阈值对于不同的组织组可以是不同的。因此，不同的阈值可用于不同的组织组。
在另一实施方式中，非刚性配准的步骤可包括从一组图谱选择可包括最类似于所获取的图像的器官组织体积的一个或多个图谱的步骤。当使用多个图谱时，可执行选择操作，其中比较图谱与所获取的图像，并选择具有在身体肌肉体积中的一定的相似性的多个图谱。每个图谱可被给予表示它与所获取的图像的相似性的值。可选择具有高于阈值的这样的值的图谱。
在另一实施方式中，选择一个或多个图谱的所述步骤可在迭代的过程中重复，其中在第一选择过程中选择的图谱可用作在第二选择过程中的选择的基础。在第一选择过程中选择的图谱可因此被再次评估。图谱的数量可在第二选择过程中进一步减小，因而只选择最佳匹配的图谱。所获取的图像的分割的性能可因此被进一步提高。
在另一实施方式中，量化肌肉组织体积的步骤可包括从关于肌肉组织体积中的体积元素的规范化水体积减去规范化脂肪体积得到的计算。
在另一实施方式中，所述经校准的脂肪图像、软组织掩模和感兴趣区都可被定义在公共值范围内。在所述经校准的脂肪图像、软组织掩模和感兴趣区中的每个体积元素可分别具有在公共值范围内的值。对于所校准的脂肪图像，范围可从表示无脂肪的端点扩展到表示纯脂肪的端点。类似地，对于软组织掩模，范围可从表示无软组织的端点扩展到表示纯软组织的端点。此外，对于感兴趣区，范围可从表示待排除的体积元素的端点扩展到表示待包括的体积元素的端点。类似地，所校准的水图像可被定义在公共值范围内。对于所校准的水图像，范围可从表示无水的端点扩展到表示纯水的端点。
这样的公共值范围在一个实施方式中可以在0和1之间，[0,1]。公共值范围保证瘠瘦组织体积量化可被计算而没有校准问题。
附图的简要说明
在下文中将参考附图更详细描述本发明，其中：
图1是根据本发明的实施方式的方法的流程图；
图2是根据本发明的实施方式的方法步骤的流程图；
图3是根据本发明的实施方式的量化方法的流程图；以及
图4a和4b是肌肉组织体积的二维图表示；
图5是根据本发明的实施方式的方法的流程图。
实施方式的描述
在下文中将参考附图更充分地描述本发明，其中示出本发明的优选实施方式。然而本发明可以很多不同的形式体现，且不应被解释为限于本文阐述的实施方式；更确切地，提供这些实施方式，使得本公开将更彻底和完整，并将本发明的范围充分传达给本领域中的技术人员。在附图中，相似的数字表示相似的元件。
如图1所示，根据本发明的实施方式的量化瘠瘦组织体积的方法包括五个主要步骤。
a)水-脂肪分离的图像的获取(10)。
b)获取(20)所校准的脂肪图像。
c)提供(30)软组织掩模。
d)定义(40)在所获取的图像中的感兴趣区。
e)计算(50)瘠瘦组织体积。
在图1中所示的方法可被描述为：
Figure BDA0001138224500000101
其中LTV是瘠瘦组织体积，F是所校准的脂肪图像，STM是软组织掩模，VVOX是每个体素的体积，以及ROI是在感兴趣区中的体素。可手动地或自动地进行感兴趣区的定义。
将进一步参考图2更详细描述方法的步骤a)-d)。
该方法需要具有定量脂肪信息的水-脂肪分离的图像。对于本实施方式，两点或多点Dixon成像与相位敏感的重构一起用于获取10个水-脂肪分离的图像。然而，存在可被使用的几个其它分离方法。在下面的文献中公开了提供脂肪图像以用于提供所校准的脂肪图像的这样的其它方法：
●Berglund J、Ahlstrom H、Johansson L、Kullberg J，Two-point Dixon methodwith flexible echo times(具有灵活的回波时间的两点Dixon 法)，Magnetic resonancein medicine:official journal of the Society of Magnetic Resonance inMedicine/Society of Magnetic Resonance in Medicine 2011(医学磁共振：医学磁共振学会的官方杂志/医学磁共振学会2011)，65(4):994-1004。
●Berglund J、Kullberg J，Three-dimensional water/fat separation andT2* estimation based on whole-image optimization--application in breathholdliver imaging at 1.5T(基于全图像优化——在1.5T下在憋气肝成像中的应用——的三维水/脂分离和T2*估计)，Magnetic resonance in medicine:official journal of theSociety of Magnetic Resonance in Medicine/Society of Magnetic Resonance inMedicine 2012(医学磁共振：医学磁共振学会的官方杂志/医学磁共振学会 2012)，67(6):1684-1693。
·Hernando D、Haldar JP、Sutton BP、Ma J、Kellman P、Liang ZP， Jointestimation of water/fat images and field inhomogeneity map(对水/脂图像和场不均匀性图的联合估计)，Magnetic resonance in medicine:official journal of theSociety of Magnetic Resonance in Medicine/Society of Magnetic Resonance inMedicine 2008(医学磁共振：医学磁共振学会的官方杂志/医学磁共振学会2008)， 59(3):571-580。
●Ma J,Dixon techniques for water and fat imaging(用于水和脂肪成像的Dixon技术)，Journal of magnetic resonance imaging:JMRI 2008 (磁共振成像杂志：JMRI 2008)，28(3):543-558。
●Reeder SB、Pineda AR、Wen Z、Shimakawa A、Yu H、Brittain JH、 Gold GE、Beaulieu CH、Pelc NJ，Iterative decomposition of water and fat with echoasymmetry and least-squares estimation(IDEAL): application with fast spin-echo imaging(利用回波不对称和最小二乘估计对水和脂肪的迭代分解(IDEAL)：利用快速自旋回波成像的应用)，Magnetic resonance in medicine:official journal of theSociety of Magnetic Resonance in Medicine/Society of Magnetic Resonance inMedicine 2005(医学磁共振：医学磁共振学会的官方杂志/医学磁共振学会2005)，54(3):636-644。
●Yu H、McKenzie CA、Shimakawa A、Vu AT、Brau AC、Beatty PJ、 Pineda AR、Brittain JH、Reeder SB，Multiecho reconstruction for simultaneous water-fatdecomposition and T2*estimation(用于同时的水-脂肪分解和T2*估计的多回波重构)，Journal of magnetic resonance imaging:JMRI 2007(磁共振成像杂志：JMRI 2007)， 26(4):1153-1161。
所获取的图像包括水图像和脂肪图像。校准脂肪图像的方法基于作为内部强度基准的纯脂肪组织，也就是说，在给定脂肪图像体素即体积元素中的信号强度水平与被给予相应于100％脂肪组织的值1的纯脂肪组织中的强度有关。除了创建所校准的脂肪图像以外，该方法还移除在原始水图像中的一些不均匀性。
根据本发明的实施方式的方法将基于图谱的配准和分割用于定义感兴趣区。可选地，感兴趣区可手动地被定义，或使用另一方法被自动定义。
基于图谱的分割方法的开始点是图谱21的产生。图谱21在这里被定义为水和脂肪图像对，相应的标签21a定义不同的组织组。图谱21然后被配准到所获取的(目标)图像12上。配准的意图是图谱21应尽可能类似于所获取的图像12。对于这个任务，使用图谱21的水图像，因为它显示最少的解剖变化并包含关于组织体积形状的最多信息。多标度和基于相位的方法例如单体方法用于非刚性配准20。单体配准通过在图谱21和所获取的图像12上应用定向正交滤波器来迭代地估计位移场22，并更新位移场，使得在滤波器响应之间的相差被最小化。在单体的收敛之后，因而产生的位移场22由信息图组成，且解剖信息例如定义肌肉组的标签21a可从图谱21转移23到所获取的图像12。
通过将多个图谱21配准到所获取的图像12来提高基于图谱的分割的鲁棒性。多个图谱配准允许代表多个解剖变化的、具有不同的身体组成的图谱21的同时使用，这可改进分割操作。因此对每个图谱进行配准，并在目标上将所建议的标签添加到彼此，形成图。图被规范化并用作概率图 24。体素的等于1的值规定所有图谱将体素分类为组织，以及等于0的值规定没有一个图谱将那个体素分类为组织。
该方法的第三步骤是基于因而产生的概率图24根据多个图谱配准对每个体素的标签分类。应用阈值31，其确定多少图谱21必须允许将体素分类为某个肌肉。太高的阈值将导致组织体积的过低估计，而太低的阈值将导致过高估计。不同的组织组具有不同的环境，故每个组的最佳阈值可被使用。
可通过基于也被称为Dice系数的相似性指数(SI)找到最大化在地面实况分割和自动分割之间的相似性的阈值来计算每个所分割的组织组的最佳阈值31。提供(在所使用的所有图谱上的)最高平均SI的阈值被用作最佳阈值。
如果图谱21和目标图像12是相似的，则实现良好配准结果的概率较高。找到具有相似的组织分布的图谱的自动选择在一个实施方式中可用于提高分割结果。这被实现为迭代过程。在第一迭代(其中图谱的随机或通用子集被使用)之后，执行第二迭代33，其中只有具有与第一迭代的结果比较的最相似的组织体积的图谱21用于第二轮投票。代替最相似的整个身体肌肉体积的标准，可使用描述受验对象的另一特征。
在组织分类之后，提供具有组织组标签32的所获取的图像35。
得到组织体积的最终步骤是组合来自组织分割和分类步骤的结果与存在于所获取的图像中的组织体积中的图像信息。这在下面参考图3被描述。
瘠瘦组织体积计算的一个步骤包括对所获取的图像35中的不属于身体的体素的移除，即背景移除。只有在模糊软组织掩模(STM)内部的体素被包括，以便减少来自在背景中的体素的噪声。首先，通过校准水组织体积(Wn)来创建二元组织掩模(BTM)，类似于对在上面提供所校准的脂肪组织体积(Fn)的脂肪体积组织所描述的。水图像的校准基于作为内部强度基准的纯水。也就是说，在给定水图像体素中的信号强度水平与被给予相应于100％水组织的值1的纯水组织中的强度有关。具有没有水的强度的水图像体素被给予值0。
规范化水组织体积和脂肪组织体积的和(Fn+Wn)提供规范化同相信号。阈值应用于规范化同相信号。阈值在0.5的水平处。通过将来自二元身体掩模的边界的一个体素内的体素设置为等于规范化水和脂肪图像的和来创建模糊组织掩模。这个操作被称为边界松弛。通过使用模糊软组织掩模，对体积测量的部分体积效应被最小化。
所分割的组织掩模的体积MM由下式计算：
Figure BDA0001138224500000131
其中MAUT是自动组织分割，STM是软组织掩模，VVOX是每个体素的体积，以及ROI是在感兴趣区中的体素。这提供在也被描述为软组织体积 (STV)的所分类的体积中的组织的量化。基于相同的模糊软组织掩模和所校准的脂肪组织体积，提供脂肪组织体积或多脂肪组织体积(ATV)的量化。
瘠瘦组织体积的量化的步骤在MAUT中校正脂肪浸润。
这通过瘠瘦组织体积LTV的计算50来执行：
Figure BDA0001138224500000141
其中F是所校准的脂肪图像，MAUT是自动组织分割，STM是软组织掩模，VVOX是每个体素的体积，以及ROI是在感兴趣区中的体素。
所校准的脂肪图像提供连续脂肪图像。从最终组织体积计算减去在被分类为例如肌肉组织的每个体素中的脂肪信号水平。LTV移除包含纯脂肪组织、即脂纹和皮下组织的区。此外，在存在扩散脂肪浸润的情况下，LTV 量化肌肉组织的数量而不是肌肉组织的体积加上扩散脂肪浸润。这提供瘠瘦组织体积(LTV)的量化。
这进一步在图4a和4b中示出，图4a和4b示出肌肉组织体积100(y 轴)的二维表示。在x轴上的体素处的肌肉组织的低表示提供脂肪的相应水平。图4a示出量化肌肉组织的已知步骤，其中阈值110被设置。从量化的肌肉组织体积140移除具有低于阈值110的肌肉组织信号水平，即具有高于阈值110的脂肪信号水平的体素。在肌肉组织体积100的外边界内的体素的一部分120将由于被分类为纯脂肪浸润而从量化140移除。然而，在这样的体素中的肌肉组织122也被移除并从而从肌肉组织体积的量化 140移除这样的组织122。此外，扩散脂肪浸润130将由于低量的脂肪而被量化为肌肉组织。
图4b示出根据本发明的量化步骤，其中通过从相应的肌肉组织信号水平(水信号水平)减去被分类在肌肉组织体积100内的体素中的脂肪水平 131、132来确定肌肉组织体积100的量化。阈值110因而可被设置得较低或甚至为零，以提供肌肉组织体积的更正确的量化。在边界处的(高)脂肪水平132将以任何方式通过减法操作来移除。即使具有较低的阈值110，大脂肪浸润131也将进一步从量化移除。同时，在具有大脂肪浸润的体素 120中存在的肌肉组织也是肌肉组织量化141的部分。
根据图5所示的实施方式，本发明的方法1还可包括提供所校准的水图像的步骤60和计算瘠瘦组织水含量(LTWC)的步骤70。瘠瘦组织水含量的计算可被描述为：
Figure BDA0001138224500000151
其中W是所校准的水图像，STM是软组织掩模，LTV是所计算的瘠瘦组织体积，VVOX是每个体素的体积，以及ROI是在感兴趣区中的体素。瘠瘦组织水含量提供有效水含量作为在区中的总的水和脂肪之比。瘠瘦组织水含量包括在所获取的图像的感兴趣区中的测得的水信号水平而不是在感兴趣区不是磁共振可见的水或其它组织。
在附图和说明书中，公开了本发明的优选实施方式和例子，以及虽然使用特定的术语，它们仅在一般和描述性意义上被使用且不是为了限制的目的，本发明的目的在下面的权利要求中被阐述。

Claims (24)

1.一种量化瘠瘦组织体积(100)的方法(1)，包括下列步骤：
获取(10)作为水-脂肪分离的磁共振图像的图像(12)，其中所获取的图像包括水图像和脂肪图像，该水图像和脂肪图像均包括多个体积元素，
提供(20)经校准的脂肪图像(F)，
提供(30)界定在所获取的图像中的软组织的区域的软组织掩模(STM)，以及
定义(40)所获取的图像的感兴趣区，
所述方法的特征在于，
基于作为内部强度基准的纯脂肪组织来校准所述脂肪图像，并且
其中，所述方法还包括通过对所述感兴趣区中的每个体积元素使所述软组织掩模与每个体积元素的体积(VVOX)和一减去所述经校准的脂肪图像的结果相乘并使在所述感兴趣区中的所有体积元素的所述相乘的乘积相加来计算(50)瘠瘦组织体积的步骤。
2.如权利要求1所述的方法，还包括提供(60)经校准的水图像(W)的步骤和通过对在所获取的图像中的每个体积元素使所述软组织掩模与所述经校准的水图像和每个体积元素的体积(VVOX)相乘、确定在所述感兴趣区中的所有体积元素的所述相乘的乘积的和并将所述和除以所计算的瘠瘦组织体积来计算(70)瘠瘦组织水含量的步骤。
3.如权利要求1所述的方法，其中，提供(30)软组织掩模(STM)的步骤包括移除不包含磁共振可见组织的体积元素的步骤，其中移除体积元素的步骤包括下列步骤：
提供经校准的水图像(W)；
将阈值应用于所述经校准的脂肪图像和所述经校准的水图像的和，其中高于所述阈值的体积元素形成二元组织掩模(BTM)；以及
通过将来自所述二元组织掩模的边界的一个体积元素内的体积元素设置为等于规范化的水和脂肪图像的和来形成模糊软组织掩模(STM)。
4.如前述权利要求中的任一项所述的方法，其中，定义感兴趣区的步骤包括将至少一个图谱(21)非刚性配准到所获取的图像(12)以分割所获取的图像的步骤。
5.如权利要求4所述的方法，其中，非刚性配准的步骤包括对所述图谱的多标度和基于相位的配准例如单体配准的步骤。
6.如权利要求4所述的方法，其中所述图谱(21)包括转移到所获取的图像(12)的解剖信息(21a)。
7.如权利要求5所述的方法，其中所述图谱(21)包括转移到所获取的图像(12)的解剖信息(21a)。
8.如权利要求4所述的方法，其中，非刚性配准的步骤包括将多个图谱(21)单独地配准到所获取的图像的步骤。
9.如权利要求5-7中的任一项所述的方法，其中，非刚性配准的步骤包括将多个图谱(21)单独地配准到所获取的图像的步骤。
10.如权利要求6或7所述的方法，其中，所述多个图谱的配准的结果被添加到所获取的图像(12)以形成图，其中所述图被规范化以形成定义在所获取的图像中的体积元素代表肌肉组织的概率的概率图(24)，以及其中，所述规范化给所获取的图像(12)中的体积元素提供在0和1之间的值，其中值1表示所有所述多个图谱(21)都将该体积元素定义为肌肉组织，以及值0表示所述多个图谱中没有一个将该体积元素定义为肌肉组织。
11.如权利要求10所述的方法，其中所述方法还包括基于所述至少一个图谱将所述水图像中的体积元素分类为组织组的步骤，其中分类的所述步骤包括基于所述概率图(24)将在所获取的图像(12)中的体积元素标记(32)到组织组的步骤。
12.如权利要求11所述的方法，其中，标记(32)体积元素的所述步骤包括应用将特定的体积元素分类到组织组以便将该体积元素标记到所述组织组所需要的阈值数量的图谱的步骤。
13.如权利要求12所述的方法，其中，为第一组织组选择图谱的数量的阈值，为所述第一组织组选择的阈值不同于为第二组织组选择的阈值。
14.如权利要求4所述的方法，其中，非刚性配准的步骤包括从一组图谱选择包括最类似于所获取的图像(12)的组织体积的一个或多个图谱的步骤，以及其中，选择一个或多个图谱的所述步骤在迭代的过程中重复，其中在第一选择过程中选择的图谱用作在第二选择过程中的选择的基础。
15.如权利要求5-8以及11-12中的任一项所述的方法，其中，非刚性配准的步骤包括从一组图谱选择包括最类似于所获取的图像(12)的组织体积的一个或多个图谱的步骤，以及其中，选择一个或多个图谱的所述步骤在迭代的过程中重复，其中在第一选择过程中选择的图谱用作在第二选择过程中的选择的基础。
16.如权利要求9所述的方法，其中，非刚性配准的步骤包括从一组图谱选择包括最类似于所获取的图像(12)的组织体积的一个或多个图谱的步骤，以及其中，选择一个或多个图谱的所述步骤在迭代的过程中重复，其中在第一选择过程中选择的图谱用作在第二选择过程中的选择的基础。
17.如权利要求10所述的方法，其中，非刚性配准的步骤包括从一组图谱选择包括最类似于所获取的图像(12)的组织体积的一个或多个图谱的步骤，以及其中，选择一个或多个图谱的所述步骤在迭代的过程中重复，其中在第一选择过程中选择的图谱用作在第二选择过程中的选择的基础。
18.如权利要求1-3、5-8、11-14以及16-17中的任一项所述的方法，其中所述经校准的脂肪图像、所述软组织掩模和所述感兴趣区都在公共值范围内被定义。
19.如权利要求4所述的方法，其中所述经校准的脂肪图像、所述软组织掩模和所述感兴趣区都在公共值范围内被定义。
20.如权利要求9所述的方法，其中所述经校准的脂肪图像、所述软组织掩模和所述感兴趣区都在公共值范围内被定义。
21.如权利要求10所述的方法，其中所述经校准的脂肪图像、所述软组织掩模和所述感兴趣区都在公共值范围内被定义。
22.如权利要求15所述的方法，其中所述经校准的脂肪图像、所述软组织掩模和所述感兴趣区都在公共值范围内被定义。
23.如权利要求18所述的方法，其中所述公共值范围从0扩展到1。
24.如权利要求19-22中的任一项所述的方法，其中所述公共值范围从0扩展到1。
CN201580021755.2A 2014-04-25 2015-04-21 瘠瘦组织体积量化方法 Active CN106233332B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP14165965.6 2014-04-25
EP14165965.6A EP2937039B1 (en) 2014-04-25 2014-04-25 Lean tissue water concentration quantification
PCT/EP2015/058577 WO2015162120A1 (en) 2014-04-25 2015-04-21 Lean tissue volume quantification

Publications (2)

Publication Number Publication Date
CN106233332A CN106233332A (zh) 2016-12-14
CN106233332B true CN106233332B (zh) 2020-11-20

Family

ID=50630585

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580021755.2A Active CN106233332B (zh) 2014-04-25 2015-04-21 瘠瘦组织体积量化方法

Country Status (9)

Country Link
US (1) US9996926B2 (zh)
EP (2) EP2937039B1 (zh)
JP (1) JP6490794B2 (zh)
KR (1) KR101858382B1 (zh)
CN (1) CN106233332B (zh)
AU (1) AU2015250942B2 (zh)
CA (1) CA2946330C (zh)
ES (2) ES2914613T3 (zh)
WO (1) WO2015162120A1 (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9865050B2 (en) 2010-03-23 2018-01-09 Hologic, Inc. Measuring intramuscular fat
US9642585B2 (en) 2013-11-25 2017-05-09 Hologic, Inc. Bone densitometer
EP3261541B1 (en) * 2015-02-26 2020-04-15 Hologic, Inc. Methods for physiological state determination in body scans
CN108022234B (zh) * 2016-10-28 2022-03-01 东芝医疗系统株式会社 医用图像处理装置及医用图像处理方法
US11013490B2 (en) 2016-11-15 2021-05-25 Musclesound, Inc. Non-invasive determination of muscle tissue size
US11064971B2 (en) 2016-11-30 2021-07-20 Musclesound, Inc. Non-Invasive determination of muscle tissue quality and intramuscular fat
US11096658B2 (en) 2017-02-02 2021-08-24 Musclesound, Inc. Non-invasive determination of pennation angle and/or fascicle length
US11160493B2 (en) 2017-03-03 2021-11-02 Musclesound, Inc. System and method for determining a subject's muscle fuel level, muscle fuel rating, and muscle energy status
EP3432018A1 (en) * 2017-07-17 2019-01-23 AMRA Medical AB Mri method for calculating a t2*-corrected proton density fat fraction
GB2567636B (en) * 2017-10-17 2021-11-10 Perspectum Diagnostics Ltd Method and apparatus for imaging an organ
KR102030533B1 (ko) 2018-03-27 2019-10-10 울산대학교 산학협력단 근감소증 분석지원을 위한 인공 신경망 기반의 인체 형태 분석법을 채용하는 영상 처리 장치 및 이를 이용한 영상 처리 방법
CN109934807B (zh) * 2019-03-06 2021-03-23 上海东软医疗科技有限公司 一种定量磁化率成像的方法及装置
WO2022036633A1 (en) * 2020-08-20 2022-02-24 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for image registration
EP4088650A1 (en) * 2021-05-11 2022-11-16 AMRA Medical AB Method of quantifying an effective volume of a muscle

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1745705A (zh) * 2004-09-10 2006-03-15 Ge医药系统环球科技公司 磁共振影像生成方法和磁共振成像装置
CN101744616A (zh) * 2008-12-19 2010-06-23 Ge医疗系统环球技术有限公司 用于mri中的化学饱和的发射频率校准方法及mri系统

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6147492A (en) * 1998-10-28 2000-11-14 Toshiba America Mri, Inc. Quantitative MR imaging of water and fat using a quadruple-echo sequence
JP3848818B2 (ja) 2000-04-04 2006-11-22 勝則 野々垣 生体の代謝状態を解析する装置及び記録媒体
JP4251763B2 (ja) * 2000-08-11 2009-04-08 株式会社日立メディコ 磁気共鳴イメージング装置
US7657292B2 (en) 2001-03-16 2010-02-02 Nellcor Puritan Bennett Llc Method for evaluating extracellular water concentration in tissue
JP2008538080A (ja) * 2005-02-03 2008-10-09 ブラッコ イメージング ソチエタ ペル アチオニ 対象物の移動による画像アーチファクトの減少を伴う生物医学画像の登録のための方法と、コンピュータプログラムプロダクト
EP2283376B1 (en) * 2008-04-17 2016-03-30 Advanced MR Analytics AB Improvement in magnetic resonance imaging relating to correction of chemical shift artifact and intensity inhomogeneity
US8634614B2 (en) * 2008-06-02 2014-01-21 Brainreader Aps System and method for volumetric analysis of medical images
US8160357B2 (en) * 2010-07-30 2012-04-17 Kabushiki Kaisha Toshiba Image segmentation
JP4691732B1 (ja) * 2010-07-30 2011-06-01 国立大学法人 岡山大学 組織抽出システム
CN103620437B (zh) * 2011-06-27 2017-10-27 皇家飞利浦有限公司 使用具有fid和多梯度回波采集的超短回波时间脉冲序列以及水‑脂肪分离处理的骨mri
WO2013086580A1 (en) * 2011-12-15 2013-06-20 Commonwealth Scientific And Industrial Research Organisation Method and apparatus for the assessment of medical images
US8611624B2 (en) * 2012-03-19 2013-12-17 Wisconsin Alumni Research Foundation Method for adipose tissue quantification with magnetic resonance imaging

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1745705A (zh) * 2004-09-10 2006-03-15 Ge医药系统环球科技公司 磁共振影像生成方法和磁共振成像装置
CN101744616A (zh) * 2008-12-19 2010-06-23 Ge医疗系统环球技术有限公司 用于mri中的化学饱和的发射频率校准方法及mri系统

Also Published As

Publication number Publication date
US20170046837A1 (en) 2017-02-16
US9996926B2 (en) 2018-06-12
EP3133993B1 (en) 2023-06-07
ES2948673T3 (es) 2023-09-15
AU2015250942A1 (en) 2016-10-27
KR20160145800A (ko) 2016-12-20
EP3133993C0 (en) 2023-06-07
AU2015250942B2 (en) 2019-04-18
JP6490794B2 (ja) 2019-03-27
EP2937039A1 (en) 2015-10-28
CN106233332A (zh) 2016-12-14
EP3133993A1 (en) 2017-03-01
JP2017513676A (ja) 2017-06-01
CA2946330C (en) 2022-07-19
ES2914613T3 (es) 2022-06-14
WO2015162120A1 (en) 2015-10-29
CA2946330A1 (en) 2015-10-29
KR101858382B1 (ko) 2018-05-15
EP2937039B1 (en) 2022-04-20

Similar Documents

Publication Publication Date Title
CN106233332B (zh) 瘠瘦组织体积量化方法
Karlsson et al. Automatic and quantitative assessment of regional muscle volume by multi‐atlas segmentation using whole‐body water–fat MRI
Fripp et al. Automatic segmentation of the bone and extraction of the bone–cartilage interface from magnetic resonance images of the knee
Tomas-Fernandez et al. A model of population and subject (MOPS) intensities with application to multiple sclerosis lesion segmentation
Fripp et al. Automatic segmentation and quantitative analysis of the articular cartilages from magnetic resonance images of the knee
Dong et al. Simultaneous phase unwrapping and removal of chemical shift (SPURS) using graph cuts: application in quantitative susceptibility mapping
Bezrukov et al. MR-based PET attenuation correction for PET/MR imaging
Su et al. Generation of brain pseudo‐CTs using an undersampled, single‐acquisition UTE‐mDixon pulse sequence and unsupervised clustering
Roy et al. MR contrast synthesis for lesion segmentation
Vasilic et al. A novel local thresholding algorithm for trabecular bone volume fraction mapping in the limited spatial resolution regime of in vivo MRI
Ludwig et al. Whole‐body MRI‐based fat quantification: A comparison to air displacement plethysmography
Jaspers et al. Improving the reproducibility of MR-derived left ventricular volume and function measurements with a semi-automatic threshold-based segmentation algorithm
Makrogiannis et al. Automated quantification of muscle and fat in the thigh from water‐, fat‐, and nonsuppressed MR images
Zhou et al. Novel segmentation method for abdominal fat quantification by MRI
Roy et al. Patch based intensity normalization of brain MR images
Fallah et al. Comparison of T1-weighted 2D TSE, 3D SPGR, and two-point 3D Dixon MRI for automated segmentation of visceral adipose tissue at 3 Tesla
Ding et al. Breast density quantification using magnetic resonance imaging (MRI) with bias field correction: a postmortem study
Mazonakis et al. Development and evaluation of a semiautomatic segmentation method for the estimation of LV parameters on cine MR images
Ugarte et al. 3D multimodal spatial fuzzy segmentation of intramuscular connective and adipose tissue from ultrashort TE MR images of calf muscle
Sussman et al. Automated measurement and segmentation of abdominal adipose tissue in MRI
Eskildsen et al. Quantitative comparison of two cortical surface extraction methods using MRI phantoms
Würslin et al. Compensation of RF field and receiver coil induced inhomogeneity effects in abdominal MR images by a priori knowledge on the human adipose tissue distribution
Blaffert et al. Comparison of threshold-based and watershed-based segmentation for the truncation compensation of PET/MR images
Metwally et al. Improved technique to detect the infarction in delayed enhancement image using k-mean method
Torheim et al. Analysis of contrast‐enhanced dynamic MR images of the lung

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: Linkping

Patentee after: AMURA THERAPEUTICS LTD.

Address before: Linkping

Patentee before: ADVANCED MR ANALYTICS AB